基于遗传算法优化的BP神经网络的汽车油耗计算模型

发布时间：2017-03-23 00:12

  本文关键词：基于遗传算法优化的BP神经网络的汽车油耗计算模型，由笔耕文化传播整理发布。

【摘要】：随着公路运输行业竞争的日趋激烈和能源日益紧缺,行业的管理者们开始关注车辆的油耗问题,对车辆精准油耗监控系统的需求日益强烈。国内外关于车辆油耗监控的研究也有很多,但是实际应用中仍以体积法为主。在基于体积法设计的油耗监控系统中,加油量的计算是难点之一。通过观察车辆实际运营中的监控数据,明确了以挖掘实际加油量与监控数据之间的非线性关系为计算模型的设计目标。BP神经网络在非线性函数逼近方面能力突出,也是近年来的研究热点。但是标准BP神经网络存在易陷入局部最优、搜索速度慢等缺点,很多研究学者也提出了多种优化方案,如遗传算法优化方案、粒子群优化方案等。作者选用的是遗传算法优化方案,利用遗传算法优化BP神经网络初始权值和阈值。在设计遗传算法优化的BP神经网络模型时,作者了解到遗传算法本身也存在一定缺陷。Srinivas提出的自适应遗传算法后虽然解决了固定交叉率和变异率的问题,但是仍存在种群前期进化较慢、种群个体多样性差等问题。通过对Srinivas的自适应遗传算法的学习与分析,为了改进其缺点,进一步完善算法,本文提出了一种改进的自适应遗传算法。算法主要做了三个方面的改进:第一、在调整控制遗传操作的自适应参数时不仅考虑个体和种群的适应度值情况,也将种群进化所处阶段作为重要参数之一以调整自适应变量。在种群进化初期,以较大的自适应参数迅速提高种群适应度水平,继而逐步减小自适应参数以保护优秀个体不受损坏。第二、改善了自适应交叉率和变异率的计算方法,一定程度上提高了种群的个体多样性。第三、在变异操作中增加了自适应变异点个数,根据个体的适应度值、种群整体适应度以及种群进化所处阶段,调整将进行变异的点个数。最后,本文通过实验数据分析,验证了改进的自适应遗传算法在性能方面明显优于Srinivas的自适应遗传算法以及标准遗传算法。实验中对比了标准BP模型、GA-BP模型、AGA-BP模型以及IAGA-BP模型的计算精度,进一步说明本文提出的改进方案大幅降低了BP神经网络学习过程中陷入局部最优值的概率,充分发挥了BP神经网络的局部搜索能力、提高了计算精度,模型的泛化能力也有所提升。
【关键词】：油耗监控 BP神经网络 自适应遗传算法 优化
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U471.23;TP18
【目录】：

• 摘要5-6
• Abstract6-12
• 第1章 绪论12-16
• 1.1 研究背景12-13
• 1.2 国内外研究现状13-14
• 1.2.1 国内研究现状13
• 1.2.2 国外研究现状13-14
• 1.3 本文工作14-15
• 1.4 组织结构15-16
• 第2章 BP神经网络与遗传算法16-28
• 2.1 神经网络16-19
• 2.1.1 人工神经元16-17
• 2.1.2 网络拓扑结构17-19
• 2.1.3 神经网络应用19
• 2.2 BP神经网络19-21
• 2.2.1 BP神经网络算法19-20
• 2.2.2 信号正向传播20
• 2.2.3 误差反向传播20-21
• 2.2.4 BP神经网络的优缺点21
• 2.3 遗传算法21-26
• 2.3.1 遗传算法术语22
• 2.3.2 遗传算法基本原理22-23
• 2.3.3 遗传算法构成要素23-26
• 2.4 遗传算法的缺陷26-27
• 2.5 本章小结27-28
• 第3章 遗传算法优化BP神经网络模型设计28-34
• 3.1 遗传算法优化BP神经网络28-30
• 3.1.1 算法流程28-29
• 3.1.2 编码规则29-30
• 3.1.3 初始化种群30
• 3.1.4 遗传算子30
• 3.1.5 适应度函数30
• 3.2 自适应遗传算法的改进30-33
• 3.2.1 自适应遗传算法30-31
• 3.2.2 改进的自适应遗传算法31-33
• 3.3 本章小结33-34
• 第4章 BP神经网络在汽车油耗计算模型中的应用34-48
• 4.1 汽车油耗计算模型的设计34
• 4.2 计算模型参数选取34-35
• 4.3 神经网络结构参数设计35
• 4.3.1 隐含层个数的设计35
• 4.3.2 隐层神经元个数的设计35
• 4.4 样本数据分析与预处理35-37
• 4.4.1 样本数据分析35-36
• 4.4.2 数据预处理36-37
• 4.5 实验环境与工具37
• 4.6 仿真实验37-46
• 4.6.1 实验一：GA-BP VS标准BP37-40
• 4.6.2 实验二：AGA-BP VS GA-BP40-43
• 4.6.3 实验三：IAGA-BP vs AGA-BP43-46
• 4.7 本章小结46-48
• 结论与展望48-50
• 总结48-49
• 展望49-50
• 参考文献50-54
• 攻读学位期间发表的学术论文54-56
• 致谢56

【相似文献】

中国期刊全文数据库 前10条

1 杨艳丽,史维祥;一种新的优化算法—遗传算法的设计[J];液压气动与密封;2001年02期

2 王毅,曹树良;遗传算法在并联水泵系统运行优化中的应用[J];流体机械;2003年10期

3 赵义红,李正文,何其四;生物信息处理系统遗传算法探讨[J];成都理工大学学报(自然科学版);2004年05期

4 李凡,黄数林,张东风;一种改进的多倍体遗传算法[J];华中科技大学学报(自然科学版);2005年01期

5 韦雪洁;黎明;刘高航;田贵超;;注入式的遗传算法的分析与研究[J];南昌航空工业学院学报(自然科学版);2006年01期

6 阎纲;;遗传算法及其仿真[J];湖南工程学院学报(自然科学版);2006年04期

7 ;遗传算法[J];电网与清洁能源;2008年10期

8 吴玫;陆金桂;;遗传算法的研究进展综述[J];机床与液压;2008年03期

9 李培植;肖利明;于静涛;;基于遗传算法的结构优化方法[J];公路交通科技(应用技术版);2008年08期

10 于金;金乐;杜海璐;;基于改进遗传算法的集装箱装载优化问题研究[J];船海工程;2008年05期

中国重要会议论文全文数据库 前10条

1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年

3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年

5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年

6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年

8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年

9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

中国重要报纸全文数据库 前1条

1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年

中国博士学位论文全文数据库 前10条

1 蔡美菊;交互式遗传算法及其在隐性目标决策问题中的应用研究[D];合肥工业大学;2015年

2 张士伟;三维声学快速多极基本解法在机械噪声预测中的应用研究[D];沈阳工业大学;2016年

3 高军;无铅焊料本构模型及其参数识别方法研究[D];南京航空航天大学;2015年

4 Amjad Mahmood;半监督进化集成及其在网络视频分类中的应用[D];西南交通大学;2015年

5 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年

6 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年

7 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年

8 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年

9 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年

10 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年

中国硕士学位论文全文数据库 前10条

1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年

2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年

3 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年

4 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年

5 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年

6 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年

7 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年

8 吴欣欣;改进GA-TS算法优化的BP神经网络入侵检测研究[D];湖南工业大学;2015年

9 王垒;基于遗传算法的A型单喇叭互通立交线形优化[D];长安大学;2015年

10 龚高;基于遗传算法的桥梁结构传感器优化布置研究[D];长安大学;2015年

  本文关键词：基于遗传算法优化的BP神经网络的汽车油耗计算模型，，由笔耕文化传播整理发布。

本文编号：262534